高保真TCAD漂移-擴散輸運仿真仍是新興FinFET器件設計的主要手段，但它在三維結構中的計算成本隨網格複雜度急劇上升，嚴重限制了多目標設計空間探索。工程師往往只能對少數候選配置做完整仿真，難以在大範圍幾何與工藝參數上掃描。現有的機器學習代理模型大多將一組固定設計參數映射為閾值電壓、漏電流等少數標量器件指標，把底層載流子輸運物理丟棄，並且難以遷移到不同幾何形狀或器件族。
針對這些侷限，論文提出了一種物理信息圖注意力網絡（GAT）代理模型。它不是做參數到標量的迴歸，而是直接在TCAD四面體網格上運行，把每個網格節點視為圖中的頂點，逐節點預測靜電勢以及電子、空穴的準費米能級——這三個量正是漂移-擴散方程組的基本未知量。訓練時，作者把基於仿真數據的有監督損失與有限體積格式下的電流連續性殘差共同放入目標函數，從而在模型中注入載流子輸運必須滿足的守恆約束。另一個關鍵設計是“以網格為圖”：圖注意力運算不依賴固定網格尺寸，因此模型天然具備尺寸泛化能力。少鰭FinFET網格上訓練好的模型可以不經過重新訓練或結構修改，直接應用於更大的多鰭陣列，實際瓶頸主要來自GPU顯存。此外，深度集成給出的逐節點不確定性驅動主動學習循環：先用代理在數秒內篩選海量候選設計，再把最有價值的少量設計交給完整TCAD仿真驗證，從而大幅降低總計算開銷。
實驗部分以多鰭三柵FinFET為對象，使用Sentaurus Device作為基準。結果顯示，代理模型能夠以低於1伏的逐場域RMSE重現靜電勢、電子和空穴準費米能級的空間分佈；從單個設計吞吐量來看，它比完整仿真器快若干數量級，而且優勢隨器件規模擴大而更加明顯。對於直接仿真非常緩慢的大型多鰭陣列，代理模型仍可在1秒內完成單個器件的推理。這種能力使得研究者能夠在不同器件尺度上探索Pareto前沿，而這是傳統逐點TCAD掃描難以實現的。
該論文由Leonid Popryho與另外兩位作者於2026年9月2日提交至arXiv，已被IEEE/ACM ICCAD 2026接收。論文共9頁，包含4張圖和2張表，覆蓋機器學習、硬件架構與計算工程交叉方向，arXiv編號為2609.02988。